4 نتیجه برای مدل ترکیبی
کاظم نصرتی، حسن احمدی، فرود شریفی،
جلد 16، شماره 60 - ( 4-1391 )
چکیده
شناخت سهم و یا جداسازی منابع رسوب به عنوان ابزاری در پیش‌بینی فرسایش، اعتبارسنجی مدل‌های فرسایش و رسوب، پایش بیلان رسوب و در نتیجه در تعیین مناسب‌ترین عملیات کنترل فرسایش و رسوب و حفاظت خاک در مقیاس حوزه آبخیز مورد نیاز است. تفکیک خاک فرسایش یافته به چندین منبع با استفاده از ردیاب‌های طبیعی رویکردی جامع در مطالعات فرسایش و رسوب محسوب می‌شود. هدف از این تحقیق، به عنوان نخستین مطالعه، بررسی تغییرات مکانی ردیاب‌های بیوشیمیایی و کارایی این ردیاب‌ها در جداسازی منابع رسوب در سطح حوزه آبخیز تحت تأثیر انواع کاربری اراضی و فرسایش آبی، و کاربرد آنها به عنوان منشأیاب و تعیین سهم نسبی منابع رسوب است. به این منظور چهار فعالیت آنزیمی به عنوان ردیاب بیوشیمیایی در 42 نمونه منابع رسوب و 14 نمونه رسوب اندازه‌گیری گردید. نتایج تحلیل توابع تشخیص نشان داد ترکیب بهینه دو ردیاب شامل اوره‌آز و دهیدروژناز با تایید بیش از 92 درصد تفکیک منابع رسوب قادر به جداسازی منابع رسوب در منطقه مطالعاتی هستند. مدل منشأیابی منابع رسوب براساس ترکیب بهینه ردیاب‌های حاصل از تحلیل توابع تشخیص اجرا و درصد سهم نسبی هر یک از منابع رسوب تعیین گردید. نتایج نشان داد میانگین سهم نسبی رسوب (خطای استاندارد ± میانگین) از واحدهای کاری مرتع- فرسایش سطحی، اراضی کشاورزی-فرسایش سطحی، مرتع- فرسایش آبراهه‌ای و اراضی دیم- فرسایش سطحی به‌ترتیب برابر با مقادیر 3/5±3/11، 8/3±1/8، 5/8±75 و 5/2±6/3 درصد است. بدین ترتیب می‌توان نتیجه گرفت منشأیابی با استفاده از ردیاب‌های بیوشیمیایی، می‌تواند باعث تحول و ارتقای مدل‌های منشأیابی گشته و گام نخستی برای ایجاد ابزاری نوین برای تکمیل رویکرد منشأیابی در آینده باشد.
کاظم نصرتی، مصطفی امینی، آرمان حدادچی، محمدرضا زارع،
جلد 20، شماره 78 - ( 10-1395 )
چکیده
فرسایش تشدید شونده خاک در سطح کشور موجب اثرات محلی و برون محلی می‌گردد و شناسایی منابع تولید رسوب و تعیین سهم هر کدام در تولید رسوب برای انتخاب راهبردهای مدیریتی در سطح حوضه آبخیز ضروری است. با وجود افزایش مطالعات منشایابی، تعیین مقادیر عدم قطعیت مرتبط با مدل‌های ترکیبی به‌ویژه براساس ویژگی‌های پذیرفتاری مغناطیسی کمتر مورد توجه قرار گرفته است. هدف از این مطالعه، تعیین سهم زیرحوضه‌ها در تولید رسوب با استفاده از ویژگی‌های پذیرفتاری مغناطیسی (فرکانس بالا، فرکانس پایین و فرکانس وابسته) و مدل ترکیبی عدم قطعیت است. به این منظور، تعداد ۲۵ نمونه از خروجی زیرحوضه‌ها و حوضه اصلی جمع‌آوری و ویژگی‌های پذیرفتاری مغناطیسی آنها اندازه‌گیری و محاسبه شد. نتایج تحلیل آزمون کروسکال والیس و توابع تحلیل تشخیص نشان داد که می‌توان ویژگی‌های پذیرفتاری مغناطیسی را به عنوان ترکیب بهینه ردیاب‌ها در مدل ترکیبی عدم قطعیت استفاده نمود. نتایج مدل منشایابی رسوب براساس عدم قطعیت Bayesian نشان داد که میانگین (حدود عدم قطعیت) سهم نسبی زیرحوضه‌های اسپاران، جویبند و بویوک چای به‌ترتیب ۹۲ (۸/۹۴-9/۸۳)، ۸/۲ (۷/۱۰-2/۰) و ۷/۵ (۵/۱۰- ۲/۰) درصد بود. براساس نتایج موجود، بیشترین میزان تولید رسوب مربوط به زیرحوضه اسپاران چای بوده و در اجرای برنامه‌های مدیریتی برای حفاظت خاک باید مدنظر قرار گیرد.
محمد جواد اسدی، سعید شعبانلو، محسن نجارچی، محمد مهدی نجفی زاده،
جلد 23، شماره 3 - ( 9-1398 )
چکیده
در این مطالعه، ضریب دبی روزنه های جانبی دایرهای با استفاده از یک روش ترکیبی جدید، مدل‌سازی شد. ترکیبات انجام شده در این مطالعه، به دو قسمت تقسیم شد: 1) ترکیب دو الگوریتم بهینه‌سازی ازدحام ذرات (PSO) و الگوریتم ژنتیک (GA) و ارائه الگوریتم PSOGA ، 2) استفاده از الگوریتم ترکیبی PSOGA جهت بهینه سازی شبکه انفیس (ANFIS) و ارائه روش ANFIS-PSOGA. با شناخت پارامترهای مؤثر بر ضریب دبی روزنه های جانبی دایروی، 11 ترکیب مختلف ارائه شد. تحلیل حساسیت انجام شده با استفاده از ANFIS، نشان داد که عدد فرود و نسبت عمق جریان به قطر روزنه (Ym/D) مؤثرترین پارامترها در مدل‌سازی ضریب دبی شناسایی شدند. همچنین، بهترین ترکیب در براورد ضریب دبی استفاده از متغیرهای فرود جریان (Fr)، نسبت عرض کانال اصلی به قطر روزنه جانبی (B/D)، نسبت ارتفاع تاج روزنه به قطر روزنه (W/D) و نسبت عمق جریان به قطر روزنه (Ym/D) بود. مقادیر MAPE، RMSE و R برای این مدل، به ترتیب برابر 0/021، 0/20 و 0/871 به‌دست آمد. پس از انتخاب بهترین ترکیب، عملکرد روش ANFIS-PSOGA با دو روش ANFIS and ANFIS-PSO، مقایسه شد. نتایج نشان داد که روش ANFIS-PSOGA برای مدل‌سازی ضریب دبی، دارای خطای کمتری بود.
فرشاد حیاتی، احمد رجبی، محمد علی ایزدبخش، سعید شعبانلو،
جلد 25، شماره 1 - ( 3-1400 )
چکیده
تخمین و شبیه‌سازی روند بارندگی در نواحی مختلف جهان به‌دلیل خشکسالی و تغییر اقلیم از اهمیت فراوانی برخوردار است. در این مطالعه، یک مدل هوش مصنوعی ترکیبی برنامه‌ریزی بیان ژن- موجک (WGEP) برای مدل‌سازی بارندگی درازمدت 67 ساله شهر انزلی برای اولین بار توسعه داده شد. این مدل از ترکیب تبدیل موجک (Wavelet) و برنامه‌ریزی بیان ژن (GEP) به‌دست آمد. در ابتدا، بهینه‌ترین عضو خانواده تبدیل موجک معرفی شد. سپس با تجزیه و تحلیل نتایج مدل‌سازی، دقیق‌ترین تابع اتصال و برازش برای مدل برنامه‌ریزی بیان ژن به‌دست آمد. در ادامه، با استفاده از تابع خودهمبستگی و خودهمبستگی نسبی و تأخیرهای مختلف، 15 مدل WGEP توسعه داده شد. مدل‌های WGEP برای بازه‌های زمانی 37، 20 و 10 ساله به‌ترتیب آموزش، آزمون و صحت‌سنجی شدند. همچنین، با انجام تحلیل حساسیت، مدل برتر و مؤثرترین تأخیرها برای شبیه‌سازی بارش درازمدت شناسایی شدند. مدل برتر مقادیر تابع هدف را با دقت بالایی تخمین زد. به‌عنوان مثال، مقادیر ضریب همبستگی و شاخص پراکندگی برای این مدل در شرایط صحت‌سنجی به‌ترتیب برابر با 0/946 و 0/310 محاسبه شدند. علاوه بر این، تأخیرهای شماره 1، 2، 4 و 12 به‌عنوان مؤثرترین تأخیرها در مدل‌سازی بارش توسط مدل ترکیبی معرفی شدند. همچنین، نتایج مدل برتر ترکیبی با مدل برنامه‌نویسی بیان ژن مقایسه شد که مدل ترکیبی دقت بیشتری داشت.
